期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
去噪扩散模型驱动的纹理增强红外-可见光图像融合方法
1
作者
王洪雁
彭俊
杨凯
《电子与信息学报》
北大核心
2025年第6期1992-2004,共13页
针对现有融合算法在处理多源数据时未能充分结合纹理细节和色彩强度信息的问题,该文提出一种去噪扩散模型驱动的红外-可见光图像融合方法。所提方法通过去噪扩散网络提取多尺度空时特征,并结合高频特征增强红外图像边缘信息,利用双向多...
针对现有融合算法在处理多源数据时未能充分结合纹理细节和色彩强度信息的问题,该文提出一种去噪扩散模型驱动的红外-可见光图像融合方法。所提方法通过去噪扩散网络提取多尺度空时特征,并结合高频特征增强红外图像边缘信息,利用双向多尺度卷积模块和双向注意力融合模块确保全局信息的充分利用和局部细节的精确捕捉。同时,模型采用自适应结构相似性损失、多通道强度损失和多通道纹理损失对网络进行优化,增强结构一致性,平衡图像色彩和纹理信息的分布。实验结果表明,与现有方法相比,所提方法可有效地保留源图像的纹理、色彩和特征信息,融合效果更符合人类视觉感知。
展开更多
关键词
红外和可见光图像
图像融合
扩散模型
生成模型
结构相似性损失
在线阅读
下载PDF
职称材料
有监督深度学习的地震资料提高分辨率处理方法
被引量：
2
2
作者
李斐
牛文利
+2 位作者
刘达伟
王永刚
黄研
《石油地球物理勘探》
EI
CSCD
北大核心
2024年第4期702-713,共12页
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过...
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。
展开更多
关键词
有监督深度学习
多尺度
结构相似性损失
L1
损失
生成对抗网络
图像超分辨率重建
在线阅读
下载PDF
职称材料
基于增强生成器条件生成对抗网络的单幅图像去雾
被引量：
7
3
作者
赵扬
李波
《计算机应用》
CSCD
北大核心
2021年第12期3686-3691,共6页
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条...
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。
展开更多
关键词
深度学习
图像去雾
生成对抗网络
增强解码器
多尺度
结构相似性损失
函数
在线阅读
下载PDF
职称材料
题名
去噪扩散模型驱动的纹理增强红外-可见光图像融合方法
1
作者
王洪雁
彭俊
杨凯
机构
浙江理工大学计算机与科学技术学院
电子信息系统复杂电磁环境效应国家重点实验室
浙江理工大学信息科学与工程学院
出处
《电子与信息学报》
北大核心
2025年第6期1992-2004,共13页
基金
国家自然科学基金(61871164)
浙江省自然科学基金重点项目(LZ21F010002)
电子信息系统复杂电磁环境效应国家重点实验室基金(CEMEE2023K0301)。
文摘
针对现有融合算法在处理多源数据时未能充分结合纹理细节和色彩强度信息的问题,该文提出一种去噪扩散模型驱动的红外-可见光图像融合方法。所提方法通过去噪扩散网络提取多尺度空时特征,并结合高频特征增强红外图像边缘信息,利用双向多尺度卷积模块和双向注意力融合模块确保全局信息的充分利用和局部细节的精确捕捉。同时,模型采用自适应结构相似性损失、多通道强度损失和多通道纹理损失对网络进行优化,增强结构一致性,平衡图像色彩和纹理信息的分布。实验结果表明,与现有方法相比,所提方法可有效地保留源图像的纹理、色彩和特征信息,融合效果更符合人类视觉感知。
关键词
红外和可见光图像
图像融合
扩散模型
生成模型
结构相似性损失
Keywords
Infrared and visible image
Image fusion
Diffusion model
Generative model
Structural similarity loss
分类号
TN911.73 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
有监督深度学习的地震资料提高分辨率处理方法
被引量：
2
2
作者
李斐
牛文利
刘达伟
王永刚
黄研
机构
长庆油田勘探开发研究院
西安交通大学电子与信息学部
出处
《石油地球物理勘探》
EI
CSCD
北大核心
2024年第4期702-713,共12页
基金
国家自然科学基金面上项目“基于频率空间域信号子空间优化的叠前地震资料噪声压制方法”(42374135)
中国石油集团重大专项“致密砂岩气藏提高采收率关键技术研究”(2023ZZ25)联合资助。
文摘
地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。
关键词
有监督深度学习
多尺度
结构相似性损失
L1
损失
生成对抗网络
图像超分辨率重建
Keywords
supervised deep learning
multi⁃scale structural similarity loss(MS⁃SSIM)
L1 loss function
genera⁃tive adversarial network
image super⁃resolution reconstruction
分类号
P631 [天文地球—地质矿产勘探]
在线阅读
下载PDF
职称材料
题名
基于增强生成器条件生成对抗网络的单幅图像去雾
被引量：
7
3
作者
赵扬
李波
机构
武汉科技大学计算机科学与技术学院
出处
《计算机应用》
CSCD
北大核心
2021年第12期3686-3691,共6页
文摘
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。
关键词
深度学习
图像去雾
生成对抗网络
增强解码器
多尺度
结构相似性损失
函数
Keywords
deep learning
image dehazing
Generative Adversarial Network(GAN)
enhanced decoder
Multi-Scale Structural SIMilarity(MS-SSIM)loss function
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
去噪扩散模型驱动的纹理增强红外-可见光图像融合方法
王洪雁
彭俊
杨凯
《电子与信息学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
有监督深度学习的地震资料提高分辨率处理方法
李斐
牛文利
刘达伟
王永刚
黄研
《石油地球物理勘探》
EI
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
3
基于增强生成器条件生成对抗网络的单幅图像去雾
赵扬
李波
《计算机应用》
CSCD
北大核心
2021
7
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
